tensorflow训练自己的数据集实现CNN图像分类1 - 好文

利用卷积神经网络训练图像数据分为以下几个步骤

* 读取图片文件
* 产生用于训练的批次
* 定义训练的模型（包括初始化参数，卷积、池化层等参数、网络）
* 训练
1 读取图片文件
<> 1 def get_files(filename): 2 class_train = [] 3 label_train = [] 4 for
train_classin os.listdir(filename): 5 for pic in os.listdir(filename+
train_class): 6 class_train.append(filename+train_class+'/'+pic) 7
label_train.append(train_class) 8 temp = np.array([class_train,label_train]) 9
temp = temp.transpose() 10 #shuffle the samples 11 np.random.shuffle(temp) 12 #
after transpose, images is in dimension 0 and label in dimension 1 13
image_list = list(temp[:,0]) 14 label_list = list(temp[:,1]) 15 label_list =
[int(i)for i in label_list] 16 #print(label_list) 17 return
image_list,label_list <>
　　这里文件名作为标签，即类别（其数据类型要确定，后面要转为tensor类型数据）。

　　然后将image和label转为list格式数据，因为后边用到的的一些tensorflow函数接收的是list格式数据。

2 产生用于训练的批次
<> 1 def get_batches(image,label,resize_w,resize_h,batch_size,capacity): 2 #
convert the list of images and labels to tensor 3 image =
tf.cast(image,tf.string) 4 label = tf.cast(label,tf.int64) 5 queue =
tf.train.slice_input_producer([image,label]) 6 label = queue[1] 7 image_c =
tf.read_file(queue[0]) 8 image = tf.image.decode_jpeg(image_c,channels = 3) 9 #
resize 10 image =
tf.image.resize_image_with_crop_or_pad(image,resize_w,resize_h)11 #(x - mean) /
adjusted_stddev 12 image = tf.image.per_image_standardization(image) 13 14
image_batch,label_batch = tf.train.batch([image,label], 15 batch_size =
batch_size,16 num_threads = 64, 17 capacity = capacity) 18 images_batch =
tf.cast(image_batch,tf.float32)19 labels_batch =
tf.reshape(label_batch,[batch_size])20 return images_batch,labels_batch <>
　　首先使用tf.cast转化为tensorflow数据格式，使用tf.train.slice_input_producer实现一个输入的队列。

　　label不需要处理，image存储的是路径，需要读取为图片，接下来的几步就是读取路径转为图片，用于训练。

　　CNN对图像大小是敏感的，第10行图片resize处理为大小一致，12行将其标准化，即减去所有图片的均值，方便训练。

　　接下来使用tf.train.batch函数产生训练的批次。

　　最后将产生的批次做数据类型的转换和shape的处理即可产生用于训练的批次。

3 定义训练的模型

（1）训练参数的定义及初始化

<> 1 def init_weights(shape): 2 return
tf.Variable(tf.random_normal(shape,stddev = 0.01)) 3 #init weights 4 weights =
{ 5 "w1":init_weights([3,3,3,16]), 6 "w2":init_weights([3,3,16,128]), 7 "w3"
:init_weights([3,3,128,256]), 8 "w4":init_weights([4096,4096]), 9 "wo"
:init_weights([4096,2]) 10 } 11 12 #init biases 13 biases = { 14 "b1"
:init_weights([16]), 15 "b2":init_weights([128]), 16 "b3":init_weights([256]),
17 "b4":init_weights([4096]), 18 "bo":init_weights([2]) 19 } <>

　　CNN的每层是y=wx+b的决策模型，卷积层产生特征向量，根据这些特征向量带入x进行计算，因此，需要定义卷积层的初始化参数，包括权重和偏置。
其中第8行的参数形状后边再解释。

（2）定义不同层的操作
<> 1 def conv2d(x,w,b): 2 x = tf.nn.conv2d(x,w,strides = [1,1,1,1],padding =
"SAME") 3 x = tf.nn.bias_add(x,b) 4 return tf.nn.relu(x) 5 6 def pooling(x):
7 return tf.nn.max_pool(x,ksize = [1,2,2,1],strides = [1,2,2,1],padding = "SAME
") 8 9 def norm(x,lsize = 4): 10 return tf.nn.lrn(x,depth_radius = lsize,bias
= 1,alpha = 0.001/9.0,beta = 0.75) <>
　　这里只定义了三种层，即卷积层、池化层和正则化层

（3）定义训练模型
<> 1 def mmodel(images): 2 l1 = conv2d(images,weights["w1"],biases["b1"]) 3
l2 = pooling(l1) 4 l2 = norm(l2) 5 l3 = conv2d(l2,weights["w2"],biases["b2"])
6 l4 = pooling(l3) 7 l4 = norm(l4) 8 l5 = conv2d(l4,weights["w3"],biases["b3"
]) 9 #same as the batch size 10 l6 = pooling(l5) 11 l6 =
tf.reshape(l6,[-1,weights["w4"].get_shape().as_list()[0]]) 12 l7 =
tf.nn.relu(tf.matmul(l6,weights["w4"])+biases["b4"]) 13 soft_max =
tf.add(tf.matmul(l7,weights["wo"]),biases["bo"]) 14 return soft_max <>

　　模型比较简单，使用三层卷积，第11行使用全连接，需要对特征向量进行reshape，其中l6的形状为[-1，w4的第1维的参数]，因此，将其按照“w4”reshape的时候，要使得-1位置的大小为batch_size，这样，最终再乘以“wo”时，最终的输出大小为[batch_size,class_num]

（4）定义评估量
1 def loss(logits,label_batches): 2 cross_entropy =
tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits,labels=
label_batches)3 cost = tf.reduce_mean(cross_entropy) 4 return cost
　　首先定义损失函数，这是用于训练最小化损失的必需量
1 def get_accuracy(logits,labels): 2 acc = tf.nn.in_top_k(logits,labels,1) 3
acc = tf.cast(acc,tf.float32) 4 acc = tf.reduce_mean(acc) 5 return acc
　　评价分类准确率的量，训练时，需要loss值减小，准确率增加，这样的训练才是收敛的。

（5）定义训练方式
1 def training(loss,lr): 2 train_op = tf.train.RMSPropOptimizer(lr,0.9
).minimize(loss)3 return train_op
　　有很多种训练方式，可以自行去官网查看，但是不同的训练方式可能对应前面的参数定义不一样，需要另行处理，否则可能报错。

4 训练
<> 1 def run_training(): 2 data_dir = 'C:/Users/wk/Desktop/bky/dataSet/' 3
image,label = inputData.get_files(data_dir) 4 image_batches,label_batches =
inputData.get_batches(image,label,32,32,16,20) 5 p =
model.mmodel(image_batches) 6 cost = model.loss(p,label_batches) 7 train_op =
model.training(cost,0.001) 8 acc = model.get_accuracy(p,label_batches) 9 10
sess = tf.Session() 11 init = tf.global_variables_initializer() 12
sess.run(init)13 14 coord = tf.train.Coordinator() 15 threads =
tf.train.start_queue_runners(sess = sess,coord = coord) 16 17 try: 18 for step
in np.arange(1000): 19 print(step) 20 if coord.should_stop(): 21 break 22
_,train_acc,train_loss = sess.run([train_op,acc,cost]) 23 print("loss:{}
accuracy:{}".format(train_loss,train_acc)) 24 except tf.errors.OutOfRangeError:
25 print("Done!!!") 26 finally: 27 coord.request_stop() 28 coord.join(threads)
29 sess.close()
<>

原文地址：http://www.cnblogs.com/wktwj/p/7227544.html <>

热门工具换一换